بررسي فرآيند ماشين‌كاري هيبريدي سوپرآلياژ اينكونل 718 به‌كمك جت سيال پرفشار و بهينه‌سازي چندهدفه پارامترهاي فرآيند

Investigation on Hybrid Jet Assisted Machining of Inconel 718 Superalloy and Multi Objective Optimization of Process Parameters

ماشين‌كاري رايج سوپرآلياژ اينكونل 718 به‌دليل ويژگي‌هايي چون سختي بالا و رسانايي گرمايي پايين اين آلياژ منجر به كيفيت سطح پايين و نيروهاي برشي زياد مي‌گردد. در اين پژوهش فرآيند ماشين‌كاري هيبريدي به‌كمك جت سيال پرفشار به منظور بهبود شرايط ماشين‌كاري اين سوپرآلياژ به‌كارگرفته‌شد.. براي دستيابي به شرايط مناسب فرآيند، كاربرد فشار جت سيال در محدوده بهينه متناسب با ديگر پارامترهاي فرآيند ضروري مي‌باشد. آزمايش‌ها در پنج فشار 1، 50، 100، 150 و 200 بار، سه سرعت برشي 50، 75 و 100 متربردقيقه، دو نرخ پيشروي 0/05 و 0/14 ميلي‌متر بردور و عمق برش 1 ميلي‌متر با طراحي كامل صورت گرفت تا بررسي پارامترهاي فرآيند امكان‌پذير باشد. با انجام آزمايش‌ها نيروهاي ماشين‌كاري و زبري سطح اندازه‌گيري شد. به‌منظور بهينه‌سازي چندهدفه از الگوريتم NSGA-II براي مدل‌هاي شبكه عصبي آموزش داده شده به‌كمك الگوريتم ژنتيك استفاده گرديد و محدوده‌هاي بهينه فشار جت سيال متناسب با ديگر پارامترهاي فرآيند بدست آمد. نتايج بهينه‌سازي چندهدفه نشان مي‌دهد كه براي نرخ پيشروي 0/05 ميلي‌متربردور در محدوده‌ سرعت برشي 55 تا 100 متربردقيقه، محدوده‌ بهينه فشار جت سيال 85 تا 109 بار مي‌باشد.

Conventional machining of Inconel 718 superalloy due to specifications such as high hardness and low thermal conductivity, results in low surface quality and high cutting forces. In this research hybrid high pressure jet assisted machining process was employed to improve machining conditions of this superalloy. To obtain suitable conditions of process applying optimal range of jet pressure proportional to other process parameters is essential. Experiments were conducted in five jet pressures, 1, 50, 100, 150, 200 bar, three cutting speeds, 50, 75 and 100 m/min, two feed rates, 0.05 and 0.14 mm/rev, and 1 mm of depth of cut with full factorial designed to reach possibility of process parameters investigation. By executing the experiments, cutting forces and surface roughness were measured. In order to multi-objective optimization, NSGA-II was employed to artificial neural network models which were trained by genetic algorithm, and optimized jet pressure ranges proportional to other process parameters were obtained. The multi objective optimization results demonstrate that for feed rate of 0.05 mm/rev and cutting speed range of 50-100 m/min, optimal range of jet pressure is 80-109 bar.